SingVL_S1_4B 对比 MiniCPM-V 4.7 1B：45.4 亿参数且无许可证

这场对比中最有用的那个数字，并不在任何一方的模型卡片上。它是 15.5 亿：MiniCPM-V 4.7 1B的张量总量，这款端侧视觉模型由 OpenBMB 于 2026 年 10 月 12 日在 Apache 2.0 协议下发布，GGUF、AWQ、GPTQ、int4 与 FP8 构建版本均已发布，并已移植到 iOS、Android 与 HarmonyOS。与之相对的是SingVL_S1_4B，inclusionAI 的 45.4 亿参数决策模型，于 2026 年 11 月 11 日上传，没有公告、没有许可证文件，也没有任何形式的量化变体。约三倍的权重，落在手机内存预算的错误一侧，干着一份大体上并不相同的工作。这场比较仍然值得做，因为它暴露了规格表无法回答的那个问题：除了输出之外，一个模型还欠你什么？

每个模型返回什么，以及因此它可以存在于哪里

MiniCPM-V 4.7 1B 是传统意义上的指令微调多模态模型。它可以读取单张图像、多张图像或视频，并生成答案——图像描述、转录、视觉问答、多轮对话。OpenBMB 为其提供了专用的 DSpark 投机解码头，在模型发布三天后推出，并支持它在 SGLang、vLLM、llama.cpp 和 Ollama 上运行，还可通过 SWIFT 和 LLaMA-Factory 进行微调。此外还有在线演示空间和公开的 cookbook。上述每一个渠道，都让厂商之外的人实际运行过它。

SingVL_S1_4B 不进行生成。你给它一个状态——文本、JSON、最多四张图像——以及一组带声明类型的命名问题，它会为你提供的每个选项返回一个概率。Choice 选择一个候选项，noul 返回一个是/否命题成立的概率，score 返回二到十个有序等级上的分布以及一个期望等级。一次前向传播，不采样，不输出自然语言文本。仓库自带的快速入门会在 8173 端口运行一个 FastAPI 服务器，并向 /v1/systemone 发送 JSON POST 请求。

因此，部署问题在基准测试问题被提出之前就已不言自明。MiniCPM-V 4.7 1B 有与 ONNX 相关的方案、手机移植和芯片厂商支持，因为它就是为运行在设备上而设计的。SingVL_S1_4B 带有 Python 服务器，因为它是为运行在某人自有的 GPU 上而设计的。如果你的产品要发布一款应用，那么其中之一是组件，另一个是服务依赖。

效率就是其中一方的全部论点

OpenBMB 的 1B 变体之所以存在，是为了在“性能—推理时间”曲线上占据一个位置，而模型卡明确指出，其主张正在于此——而非原始准确率。该架构通过两种方式换取这一位置：一是取自 LLaVA-UHD v4 系列的 ViT 内部早期压缩，它在视觉编码器内部裁剪视觉 token，使后续层工作量更少；二是混合 4x/16x 视觉 token 压缩，让调用方可按任务用细节换取成本。在此之上还有 DSpark 推测头，以及一份明确宣称的首日支持清单，涵盖从 Rockchip、Houmo 到 Intel、AMD 和 Arm。

厂商实际为这个变体公布的对比对象是 Qwen3.5 0.8B：根据厂商自己的测量，在 Instruct 模式下总体得分更高、推理效率也更高。这是来自构建该模型的同一实验室的一项范围有限的主张，而产品正是围绕这一主张打造的。

SingVL_S1_4B 完全没有提出任何效率方面的主张。该卡片未报告延迟、吞吐量、内存占用或每秒 token 数。它间接报告的，是一种本应在另一类任务上高效的设计：一次前向传播就返回请求中每个问题的所有答案，而生成式模型每输出一个 token 都需要进行一次前向传播。对于五选项分类，这是一种巨大的结构性优势。对于图像描述（caption）而言，这并不构成比较，因为根本不存在图像描述。

值得指出：配置把输入契约固定为“所有输入均在首个答案之前；单轮；不思考”，而 README 说明文本为 65,536 个输入 token，或带图像时为 10,000 个。一个能在手机上运行的 1B 模型，和一个需要 10,000 token 图像预算的 4.5B 模型，是在解决不同的约束条件。这两个数字都没有错；它们回答的是不同的问题。

授权差距是这一比较中最大的部分

MiniCPM-V 4.7 1B 采用 Apache 2.0 许可。这不是一句营销说辞——它正是围绕该模型形成整个生态的原因。发布后四周内，就出现了来自多家发布者的社区 GGUF 量化版本、一个 MNN 移植版、一个 Rockchip RKLLM 构建版本、一个 NPU 构建版本、一个 ComfyUI 集成，以及 Hub 上至少一个微调模型。若许可证不清晰，这些都不可能发生，因为那些人全都无法再分发权重。

SingVL_S1_4B 的模型卡元数据中没有许可证字段，仓库中也没有 LICENSE 文件。在默认版权规则下，这意味着 inclusionAI 之外的任何人无权重新分发它、对其进行量化并发布结果，或在没有单独协议的情况下将其装入产品中发布。该组织已发布许多带有明确条款的模型——LemonDecider 采用 Apache 2.0，SingProbe 系列采用 Qwen 社区许可证——因此这一遗漏看起来更像是发布尚未完成，而非有意限制。但解读并不等于授权。

实际后果是：凡是涉及客户、采购流程或应用商店的场景，MiniCPM-V 4.7 1B 本周就能投入使用，而 SingVL_S1_4B 则不行。这一句话所决定的真实部署决策，比这两张卡上所有基准测试行的总和还要多。

不得放在同一列的基准测试

这里没有共同的衡量标准，值得把原因说清楚，而不是互相报数字。

MiniCPM-V 4.7 1B 的评估以图表形式发布——包括整体性能对比、性能与推理时间的前沿对比——而不是模型卡中的逐数据集表格。数字确实存在，呈现框架是对比性和视觉化的，而核心主张是定位性的：在前沿上优于 Qwen3.5 0.8B。

SingVL_S1_4B 发布了一张密集表格：在 Decision Index 的 Text 面板上为 69.76，在 Vision 面板上为 73.94，并细分列出了全部四十三个文本数据集和十一个视觉数据集。这些分数来自对所提供的选项进行评分并取最大概率，这比生成自由形式的答案供评分器匹配要容易得多；而且 Decision Index 明确表示，其数字经过随机猜测校正和覆盖率调整，因此靠猜测拿不到任何分。

把“73.94 vision”放在 MiniCPM-V 的前沿图表旁边，会是一种披着对比外衣的类别错误。唯一诚实的说法是：两组数字都是厂商报告的，均未由中立实验室复现；而 SingVL_S1_4B 的这组数字还只有两天，且尚未提交到 Decision Index 的公开复现工具包——卡片中包含了提交说明，这表明的是意图，而非结果。

1B 模型自身的数据在哪里变得有趣

SingVL_S1_4B 的 Decision Index 细分项比其总体得分更能说明问题，而且它恰好描述出一种 1B 模型同样参与竞争的任务画像。在文档类视觉任务上，SingVL_S1_4B 在 InfographicVQA 上报告 96.31，在 CORD-plus-FUNSD 关键信息集上报告 95.82。在高难度学术推理方面，它在 MMMU-Pro vision 上报告 50.17，在 R-Bench-M 上报告 49.77。Moderation 为 71.64，在技能提示词下降至 43.28。

这种特征——擅长版式与文档抽取，不擅长审慎推理，在主观判断上对提示词框架敏感——正是你对一个带视觉编码器、没有生成步骤的 4.5B 分类器会做出的预测，也对应 MiniCPM-V 4.7 1B 所主打的同类工作：文档、屏幕、端侧 OCR。因此，这两个模型在任务上确实有重叠，尽管它们的输出形态不同。团队真正面临的问题是：它需要的是抽取出的值，还是抽取出的答案。

如果流水线需要字段、数字、标签，SingVL_S1_4B 的输出已经就是你想要的东西，你可以跳过解析。如果流水线需要把页面渲染为保留结构的文本，或者需要解释该字段为何有歧义，MiniCPM-V 4.7 1B 是两者中唯一能生成它的。

中间道路，以及它的代价

这两者都不必成为第一天就做出的架构承诺，而更便宜的实验并不是显而易见的那个。MiniCPM-V 4.7 1B 能在笔记本电脑上运行，因此测试它只需花一个下午，别无其他成本。SingVL_S1_4B 要测试就至少需要一块 GPU 和 9.1 GB 的下载，而且其许可证状况意味着，除非进行一场目前 inclusionAI 没有人公开进行的对话，否则这项测试无法变成部署。

如果你想知道的是，类型化决策评分究竟能否对你的任务有帮助——在投入托管一个新检查点之前——这种模式其实已经可以调用。OrcaRouter 以每百万输入 token $0.042 的价格提供 TypeSafe Jev 1.14以及一个密钥下的 200 多个其他模型，提供商目录价按 0% 加价原样传递，并且如果提供商掉线会自动故障转移。这为你提供了一个可用的决策端点，可用来对照你自己的标签进行基准测试，并与你会保留用于其他所有任务的生成式模型并列。SingVL_S1_4B 不在 OrcaRouter 上，任何地方也没有它的托管端点，所以这里没有任何内容是在声称其可用性；重点是，设计问题和供应商问题可以分开，而且只有其中一个需要 GPU。

诚实的总结，按决策作出的顺序

• 它能合法地用于产品中吗——MiniCPM-V 4.7 1B，Apache 2.0，今天可以。SingVL_S1_4B，不行，直到出现许可证为止。

• 它能否在产品运行的环境中运行——MiniCPM-V 4.7 1B，在手机和边缘芯片上；SingVL_S1_4B，在你运营的 GPU 服务器上。

• 它是否返回流水线所需的内容——如果答案是标签和置信度，则返回 SingVL_S1_4B；如果是文本、结构或解释，则返回 MiniCPM-V 4.7 1B。

• 两者中有任何一个经过独立验证吗——没有。两组数字都来自厂商。MiniCPM-V 4.7 1B 已有四周的第三方使用经历；SingVL_S1_4B 则只有两天，且下载量为零。

• 我会先评估哪个——MiniCPM-V 4.7 1B，因为试它不花成本，也不能在纸面上就排除。然后是针对已部署端点的决策模式，最后才是新检查点，前提是该模式能收回成本。

这种排序并不是对那个 450 亿参数模型的裁决。它只是在说明：一个没有许可证、没有论文、也没有公告的发布，能对一个陌生人提出多少要求——而答案并不多。这个制品是真实的，设计也有趣；这两点都可以成立，而“我们该不该用它”的答案在一段时间内仍然是否定的。